机制检验、异质性检验、调节效应

目录基准回归稳健性检验：内生性处理：机制检验机制分析模型(调整要素配置结构)：机制分析模型(生产率提升效应)：异质性检验1.企业规模2.企业注册地调节效应（假设3后半部分）1.人力资本2.市场化环境本文是对王林辉老师的论文《工业智能化会重塑企业地理格局吗》所做的笔记。基准回归假说1：工业智能化对企业地理格局存在重塑效应1.基线回归模型：被解释变量是以区位熵衡量的企业空间分布，核心解释是变量为工业智

文章共4,468字 · 阅读需要大约15分钟

一键AI生成摘要，助你高效阅读

问答

Triumph19

46268人浏览 · 2022-04-28 19:08:00

Triumph19 · 2022-04-28 19:08:00 发布

本文是对王林辉老师的论文《工业智能化会重塑企业地理格局吗》所做的笔记。

基准回归

假说1：工业智能化对企业地理格局存在重塑效应

1. $X \rightarrow Y$

基线回归模型： $lndistri_{it} = \beta _{0} + \beta _{1}lnint_{it} +\sum _{k=2}^{n}\beta _{k}lnX_{itk} + \mu _{i} + \sigma _{t} + \varepsilon _{it}$

被解释变量是以区位熵衡量的企业空间分布，核心解释是变量为工业智能化指标。基线回归结果如下图所示：回归结果表明，工业智能化对企业地理格局存在重塑效应（核心解释变量十分显著），本文是先对基准回归结果进行稳健性检验和内生性处理后，接下来再继续进行机制分析（即工业智能化通过何种途径对企业地理格局产生影响）

稳健性检验：

（1）替换核心解释变量

（2）替换被解释变量

（3）剔除直辖市的四个样本（剔除离群值）。这主要是考虑到无论在经济发展水平、技术水平还是在政策优惠等方面都优于一般地级市，并且选用（1）、（2）的做法进行回归。回归结果发现，剔除4个直辖市样本的回归结果更为显著，说明这四个直辖市的数据在样本中属于离群值。

（4）选择滞后一期的工业智能化指数作为核心解释变量进行回归。因为技术应用并非一蹴而就，从智能化技术研究到机器设备投资和行业应用，再到改变企业空间布局，这一过程存在一定的时滞。同时，也为了更准确识别工业智能化与企业地理格局演变的关系，避免可能存在循环论证问题。仍然使用的（1）、（2）的做法。

内生性处理：

在工业智能化改变企业地理格局的同时，随着地区智能化企业不断集聚与技术溢出，可能会反向影响工业智能化水平。若工业智能化与企业地理格局之间存在双向因果关系，可能引发参数估计值的有偏或非一致性问题。为避免出现核心解释变量工业智能化与被解释变量之一的人工智能企业区位熵存在双向因果关系，如前所述，工业智能化指数构建时使用机器人的安装量而非企业机器人的产量，即使用作为投入要素的机器人安装量构建工业智能化指数；同时，从人工智能专利数据中剔除来自人工智能企业的人工智能专利，选择属于高校和科研院所等非人工智能企业的专利重构工业智能化指数进行对比检验，结果依然稳健。此外，考虑到影响企业地理格局的因素众多且无法穷尽，遗漏解释变量可能造成估计的非一致性。工具变量法无疑是解决双向因果关系和遗漏解释变量引起内生性问题的有效方法。

机制检验

关于机制检验和中介效应的检验的区别，暂时还不清楚，但是这里的机制检验的命令如下所示：

显然，这里机制检验的命令和中介效应的命令并不相同。

*表3
*（1-4列结果）
xtreg lnskill lnint_3 $control i.year,fe cluster(proyear) nonest
est store m1
xtreg lnfirm_ai_ratio lnint_3 lnskill $control i.year,fe cluster(proyear) nonest
est store m2
xtreg lnfirm_noai_ratio lnint_3 lnskill $control i.year,fe cluster(proyear) nonest
est store m3
xtreg lnratio lnint_3 lnskill $control i.year,fe cluster(proyear) nonest
est store m4
reg2docx m1 m2 m3 m4 using "实证回归结果.docx",replace scalars(N r2(%9.4f)) b(%9.4f) se(%9.4f) drop(2004b.year 2005.year 2006.year 2007.year 2008.year 2009.year 2010.year 2011.year 2012.year 2013.year 2014.year 2015.year 2016.year 2017.year 2018.year) title("表3 调整要素配置结构机制检验") mtitles("lnfactor" "Ai" "NoAi" "Ratio") star(* 0.1 ** 0.05 *** 0.001)

假说2：工业智能化会通过调整要素配置机构和生产率提升机制改变企业空间布局

2. $X\rightarrow Z\rightarrow Y$

机制分析模型(调整要素配置结构)：

$\bg_red \ln factor_{it} = \gamma_{0} + \gamma_{1} \ln int_{it} + \sum_{k=2}^{n} \gamma_{k} \ln X_{itk} + \mu _{i} + \sigma_{t} + \varepsilon _{it} (5)$

$\ln distr_{it} = \delta _{0} + \delta _{1} \ln int_{it} +\eta\ln facotor_{it} + \sum_{k=2}^{n} \gamma_{k} \ln X_{itk} + \mu _{i} + \sigma_{t} + \varepsilon _{it} (6)$

其中 $factor_{it}$ 为要素配置结构，在此基础上分别通过三个维度加以表征：技能劳动结构、投资结结构以及资本劳动间配置结构。技能劳动结构用高低技能劳动比重表征，投资结构以固定资产中机器设备投资占其他投资比重表征，资本劳动间配置结构用资本存量与总就业人数的比值表示，中介效应检验结果见表3。第（1）-（4）列展示了以高低劳动技能比值作为中介变量的检验结果，其中，第（1）列的工业智能化指数在5%水平上显著为正，表明工业智能化改变了高低技能劳动的配置结构，即增加了高技能劳动需求，这是由于企业有传统企业向智能化转型亟需高端技能劳动支持。第（2）-（4）列展示了将技能劳动结构加入基准回归模型的估计结果，可以看出，工业智能化重塑企业地理格局效应在1%水平上显著，且劳动结构均在5%水平上显著，揭示了工业智能化会通过提升高技能劳动的相对需求，推动企业智能化转型与重塑企业地理格局。

机制分析模型(生产率提升效应)：

$\bg_red \ln product_{it} = \gamma_{0} + \gamma_{1} \ln int_{it} + \sum_{k=2}^{n} \gamma_{k} \ln X_{itk} + \mu _{i} + \sigma_{t} + \varepsilon _{it} (7)$

$\bg_red \ln distr_{it} = \delta _{0} + \delta _{1} \ln int_{it} +\eta\ln product_{it} + \sum_{k=2}^{n} \gamma_{k} \ln X_{itk} + \mu _{i} + \sigma_{t} + \varepsilon _{it} (8)$

其中，中介变量 $product_{it}$ 使用制造业全要素生产率进行衡量。

异质性检验

假说3：不同地理区位会诱致工业智能化经济地理格局重塑效应的异质性，人力资本水平和市场化环境在经济地理格局重塑过程中扮演重要的角色

$X \rightarrow Y|S_{1} or S_{2} or S_{3}$ (假设3前半部分)

1.企业规模

一般而言，规模以上企业与规模以下企业相比，拥有更高的资源禀赋、经济财力和技术研究实力和技术研发实力，更容易形成规模效应，从而对工业智能化的经济地理格局重塑效应产生影响。本文根据企业注册资本指标对全部制造业企业进行分类。分为注册资本500万以下和500万以上（包括500万元）的企业，回归结果见表5.

2.企业注册地

根据城市群发展规划，目前共布局了19个国家级城市群，其中京津冀、长三角、粤港澳、成渝和长江中游城市群作为国家重点发展的核心城市群。同时，中国新一代人工智能发展战略研究院发布的《中国新一代人工智能科技产业发展报告2021》数据显示，目前中国人工智能企业主要分布于京津冀、长三角和珠三角三大都市圈，占比分别为31.02%、30.23%和26.39%，京津冀人工智能区域竞争力最强，长三角位列其次。根据城市圈对样本进行划分，本文进一步考察了工业智能化如何影响不同城市群制造业企业地理格局，回归结果见表6.

为了探究人工智能企业在京津冀和长三角城市群的集聚模式，将被解释变量企业数量替换为企业新增数，估计结果见表7.

对于人工智能企业，工业智能化对京津冀和长三角城市群的影响为正，且对长三角的影响在5%水平上显著，由此可以判断京津冀工业智能化引起的人工智能企业集聚不是来源于新增企业，而可能是来源于传统企业的智能化改造。

调节效应（假设3后半部分）

$X\overset{M}{\rightarrow}Y$ （假设3后半部分）

1.人力资本

采用各类学生在校人数计算平均受教育年限，表征地区人力资本水平（human），结果见表8中的Panel A。第（1）到（3）列的工业智能化与人力资本水平的交互项通过了1%的显著性水平检验，第（4）-（6）列使用剔除人工智能企业的人工智能专利后构造的工业智能化指数，结果基本一致。第（1）、（4）列的交互项系数为正，表明在人力资本更高的地区，工业智能化改变人工智能企业地理格局的效应更强。由于人工智能企业发展离不开人才支撑，人力资本与智能化技术互补形成人机协作，助推工业智能化重塑企业地理格局，而第（3）、（6）列进一步验证了这个结论。第（2）、（5）列的交互项负向显著，表明人力资本越高的地区，工业智能化越易减少传统企业，这可能源于传统企业渐次退出，也可能源于传统企业向智能化转型。表8 中Panel A的回归结果说明，区域人力资本水平对人工智能企业发展的重要性，若能大幅提高地区人力资本水平，将更有利于创造新的智能企业或促使传统企业智能化转型。